Optimaliseren van productieparameters
Van theorie naar praktijk
De sturing en optimalisering van productieprocessen is in grote mate afhankelijk van de goede en volledige captatie van productieparameters. Minstens even belangrijk is de analyse van deze parameters om procesdeviaties vroegtijdig te detecteren. AI helpt je meer productieparameters beter en sneller te capteren en te analyseren. Het bied je daarnaast ook de mogelijkheid om dit in real-time te doen. Dit alles brengt voordelen met zich mee zoals procesoptimalisatie, (vroegtijdige) detectie van procesdeviaties, stilstand reductie, betere planning preventief onderhoud, verhoogde productkwaliteit.
Toepassingen
Het is erg voordelig wanneer je de effecten van procesvariaties in kaart kunt brengen en je productieproces zo kan stabiliseren. AI kan je helpen om deze procesvariaties en de effecten daarvan in kaart te brengen.
Een mooi voorbeeld is AI die de chemische parameters van bier (bv. de pH-waarde) detecteert met een minimum aan laboratoriummateriaal. In een gelijkaardig voorbeeld leidt AI de belangrijkste kwaliteitsindexen van honing (bv. antioxidanten activiteit) af van de kleurtransformaties van de honing. Ook puur visueel kan AI bepaalde parameters van een product schatten, zoals het gewicht van limoenen of mango's zonder daarbij een weegschaal te gebruiken.
AI kan ook inzichten geven in parameters om direct het productieproces te sturen. Zo kan het de eindtijd van kaasproductie - die doorgaans heel wisselvallig is - voorspellen op basis van veranderingen in biomassa-, lactose-, en melkzuurconcentraties. Op die manier is een betere productieplanning mogelijk. Dit kan men ook doen bij bijvoorbeeld het voorspellen wanneer zonnebloemolie niet meer kwalitatief genoeg is tijdens het frituren en dus wanneer men deze moet vervangen.
Wanneer je een elektronische neus in samenwerking met AI gebruikt, gaan je mogelijkheden voor het capteren van productieparameters nog meer open. Een voorbeeld hiervan is het voorspellen van de zuurtegraad in vers geroosterde bonen. Je kan op een gelijkaardige manier ook kijken hoeveel voedseltoevoegingen (zoals benzoic acid and chitosan) in je product zijn gekomen.
Misschien wil je graag je productieproces afstellen op bepaalde doelstellingen, zoals een verminderde energieconsumptie. AI kan je daarbij helpen door het voorspellen van de vochtratio, energiebenutting, en energieverlies tijdens het drogen van fruit en groenten.
Tot slot kan AI ook de smaak van een sinaasappel voorspellen op basis van parameters zoals vitamine C en zuurinhoud.
Bekijk hier alvast een uitgewerkte case voor een wijnbedrijf.
Vereisten
Data
- Production machine settings
- ~including a timestamp
- Kwaliteitsmeting van output
- ~Via timestamp te koppelen aan machine setting
- ~Kan zowel objectieve als subjectieve maatstaf zijn
Hardware
- Data processing capaciteit afhankelijk van aantal mogelijke oplossingen en beoogde doorlooptijd
- Optioneel: sensoren
Algoritme
- Regressiealgoritme voorspellen van kwaliteitsoutput i.f.v. settings
- Optimalisatiealgoritme voor optimaliseren van settings
Aandachtspunten
- Kies een doelstelling. Zoals bij elk optimalisatievraagstuk dien je op voorhand vast te leggen welkeuitkomsten je wenst te optimaliseren. Voor elk van deze objectieven dien je eenindicator te definiëren. Dit gebeurt typisch in de vorm van een “doelfunctie”of “kostenfunctie”.
- Of kies een beperkte set van doelstellingen. Het is mogelijk om meerdere objectieven tegelijkertijd te optimaliseren. In dit geval dien je ervoor te zorgen dat de indicatoren die je gebruikt onderling de juiste verhoudingen hebben. Dit gebeurt typisch door gewichten toe te kennen aan de verschillende objectieven.
- Definieer een objectieve metric/KPI voor je algoritme Je hoort een doelfunctie te definiëren in functie van de productieparameters die je wenst te optimaliseren. Dat wil zeggen dat aan de hand van een set van productieparameters, de doelfunctie je indicator (bijvoorbeeld kosten van restafval, idle time, klantentevredenheid) moet kunnen berekenen.
- Indien je een goede indicator hebt voor goede en slechte settings, dan kan je een AI trainen om zelf een interne metric/KPI op te stellen. Indien je deze doelfunctie niet zelf kan definiëren, dan kan je gebruik maken van machine learning om een doelfunctie te ontdekken. In dit geval kies je eenindicator en train je een model dat de indicator kan voorspellen op basis van productieparameters. Dit vereist uiteraard dat je een historische dataset hebt waarin je productieparameters kan koppelen aan een bepaalde indicator.
- Heb oog voor de inpassing in je proces. Er zijn verschillende manieren om een optimalisatie techniek in te passen in een bedrijfsproces. Hier moeten bepaalde casusspecifieke keuzes gemaakt worden.
- ~Hoe vaak zullen de productieparameters geoptimaliseerd worden? Eénmalig? Periodiek?Voor elke order? Continu?
- ~Worden de voorgestelde parameters automatisch ingesteld of passeert dit via eenplanner/operator/expert?
- ~Hoe vaak wil je je doelfunctie opnieuw leren?
- ~In geval van een doelfunctie met meerdere objectieven, kan de onderlinge verhouding tussen deze objectieven veranderen? Indien ja, hoe wordt deze verhouding bepaald?
- Kiesje hardware infrastructuur in kader van je TO BE procesmodel. Voorgaande keuzes hebben een sterke invloed op de hardware-infrastructuur die je nodig hebt. Indien je continu wenst te optimaliseren, heb je de rekenkracht en de data capaciteit nodig om dit real time te kunnen doen. Indien de optimalisatie offline verloopt, is de doorlooptijd minder belangrijk en kom je toe met rekenkracht en capaciteit die standaard ter beschikking staat in de meeste bedrijven.
Stappenplan
- Definiëren van te behalen objectief en/of objectieven
- Inventariseren van productieparameters en hun mogelijke waardes
- Definiëren van doelfunctie, hetzij opgesteld door expert, hetzij geleerd door een machine learning model
- Voor het leren van de doelfunctie:
- ~Vastleggen van de te leren indicator
- ~Verzamelen historische dataset
- ~Voorverwerken van historische dataset
- ~~Verwerken van ontbrekende en foutieve waardes
- ~~Timestamps synchroniseren
- ~~Labelen en/of koppelen van output informatie
- ~~Opsplitsen in training, validatie en test set
- ~~Normaliseren van data
- ~~Trainen en testen van machine learning model
- Uitvoeren van optimalisatietechniek:
- ~Selecteren optimalisatiealgoritme
- ~Opstellen/inkoppelen van doelfunctie i.f.v. productieparameters
- ~Definiëren van bereik van productieparameters
- ~Inbouwen eventuele additionele beperkingen
- ~Uitvoeren optimalisatiealgoritme
- Evalueren van resultaten:
- ~Verzamelen team van domeinexperts
- ~Evalueren van uitkomst voor doelfunctie
- ~Evalueren van voorgestelde productieparameters
- Operationaliseren van optimalisatiealgoritme:
- ~Operationaliseren van data pipeline
- ~Operationaliseren van oplossing
- ~Inkoppelen oplossing in bedrijfsproces
- Monitoren van oplossing
Interessante links
- Leveraging IIoT and AI to Automate and Optimize Food Processing Plant DAF Operations
- Application of machine learning-based approach in food drying: opportunities and challenges.
- Machine Learning Methods in Energy Consumption Optimization Assessment in Food Processing Industry.
- Prediction of a Ship’s Operational Parameters Using Artificial Intelligence Techniques
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
